Agent3：金融研报智能分析系统 学习笔记

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37

Agent3 金融研报智能分析系统
│
├── 核心框架
│   ├── FastAPI（REST API 服务）
│   ├── LangGraph（多智能体编排）
│   └── SQLAlchemy（数据库 ORM）
│
├── AI 服务
│   ├── qwen-max（LLM，阿里 DashScope）
│   └── text-embedding-v4（向量嵌入）
│
├── 五大工具
│   ├── Text2SQL（自然语言→SQL）
│   ├── Code Executor（沙盒 Python 执行）
│   ├── PDF Parser（研报解析）
│   ├── Web Search（BochaAI 网络搜索）
│   └── RAG Search（向量语义检索）
│
├── 五节点 Agent 流水线
│   ├── Router（意图分类）
│   ├── Planner（任务规划）
│   ├── Executor（工具执行）
│   ├── Reflector（ReAct 反思）
│   └── Critic（答案生成）
│
├── 数据库（SQLite）
│   ├── stocks（15 只股票）
│   ├── financials（75 条财务记录）
│   ├── market_data（300 条行情）
│   ├── research_reports（51 条研报）
│   └── analysis_history（历史记录）
│
└── API 层（FastAPI）
    ├── /api/chat（对话接口）
    ├── /api/sql/query
    ├── /api/code/execute
    └── /api/stocks, /api/financials 等

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29

Agent3/
├── main.py              ← FastAPI 启动入口
├── config.py            ← 配置管理（Pydantic Settings）
├── requirements.txt     ← 依赖列表
├── .env.example         ← 环境变量模板
│
├── agents/              ← LangGraph 编排层
│   ├── nodes.py         ← 5 个 Agent 节点实现
│   └── graph.py         ← 图结构与条件边定义
│
├── tools/               ← 工具层
│   ├── text2sql.py
│   ├── code_executor.py
│   ├── pdf_parser.py
│   ├── web_search.py
│   └── rag_search.py
│
├── services/            ← 外部服务封装
│   ├── llm.py           ← qwen-max 单例
│   └── embedding.py     ← 向量嵌入单例
│
├── database/            ← 数据层
│   ├── models.py        ← SQLAlchemy ORM 模型
│   └── init_db.py       ← Mock 数据初始化
│
├── api/
│   └── routes.py        ← API 路由定义
│
└── data/                ← 示例 PDF 研报

1
2
3
4
5
6
7
8

推理: 需要查询财务数据中的 ROE 字段
行动: 调用 Text2SQL 工具
  → SQL: SELECT roe FROM financials WHERE stock_code='600519'
  → 结果: ROE = 28.5%

推理: 得到了数据，检查是否需要更多分析
反思: 数据完整，可以回答
行动: 生成最终答案

 1
 2
 3
 4
 5
 6
 7
 8
 9
10

# agents/nodes.py 中的 AgentState
class AgentState(TypedDict):
    messages: List[dict]      # 对话历史
    intent: str               # 意图类型（data_query / analysis / research / general）
    plan: List[dict]          # 规划步骤列表
    tool_results: List[dict]  # 工具执行结果
    reflections: List[str]    # 反思记录
    final_answer: str         # 最终答案
    iteration: int            # 当前迭代次数（最多3次）
    # ... 其他15+个字段

1

自然语言问题 → LLM 生成 SQL → SQLite 执行 → 返回结果

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
15
16
17

# 用户输入
query = "市值最大的5只股票是哪些？"

# LLM 生成的 SQL
sql = """
SELECT stock_name, market_cap
FROM stocks
ORDER BY market_cap DESC
LIMIT 5
"""

# 执行结果
result = [
    {"stock_name": "宁德时代", "market_cap": 1200000000000},
    {"stock_name": "茅台",    "market_cap": 2100000000000},
    ...
]

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11

# Executor 节点生成并执行以下代码
code = """
import pandas as pd
import matplotlib.pyplot as plt

# data 变量由上一步 Text2SQL 结果自动注入
df = pd.DataFrame(data)
df.plot(kind='bar', x='stock_name', y='market_cap')
plt.title('市值对比')
plt.savefig('chart.png')  # 自动捕获为 base64 图片
"""

1
2

文档 → 分块 → text-embedding-v4 编码 → 向量存储
查询 → 编码 → 余弦相似度计算 → Top-K 结果

1
2
3
4
5

# 用户问："半导体行业前景如何？"
# 系统将问题向量化，然后与研报内容向量做余弦相似度
similarity("半导体行业前景", "芯片发展.pdf 第3段") = 0.92  # 高相关
similarity("半导体行业前景", "银行财报.pdf 第7段") = 0.31  # 低相关
# 返回相似度最高的段落

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26

Step 1 [Router]
  意图分类 → "analysis"（需要数据查询+代码分析）

Step 2 [Planner]
  规划步骤：
  1. 用 text2sql 查询茅台财务数据
  2. 用 code_executor 分析趋势并画图

Step 3 [Executor - 第1步]
  调用 text2sql:
  SQL: SELECT year, net_profit FROM financials
       WHERE stock_code='600519' ORDER BY year
  结果: [{year:2022, net_profit:627亿}, {year:2023, net_profit:747亿}, ...]

Step 4 [Executor - 第2步]
  调用 code_executor:
  代码: 用 matplotlib 绘制折线图
  结果: base64 编码的 PNG 图片 + 文字分析

Step 5 [Reflector]
  检查: 数据完整，图表已生成，质量足够
  决策: 直接进入 Critic

Step 6 [Critic]
  生成最终回答: "茅台近3年净利润持续增长..."
  附带图片

1
2
3
4
5

# .env 文件
DASHSCOPE_API_KEY=sk-xxx   # 必须配置，用于 LLM 和 Embedding
BOCHAAI_API_KEY=xxx        # 可选，用于网络搜索
LLM_MODEL=qwen-max
EMBEDDING_MODEL=text-embedding-v4

1
2
3

pip install -r requirements.txt
python main.py
# 访问 http://localhost:8000/docs 查看 API 文档